纹理图像的相位场演化分割研究

为研究在噪声环境下的纹理图像的分割,提出了一种基于相位场演化的纹理图像分割算法。首先在相位场模型中加入了形状统计的能量项,以此指导和约束边缘界面轮廓的演化过程;然后通过对改进相位场模型的梯度流方程的求解,得到了算法的数值解。最后将本研究算法用于纹理图像的分割。实验结果验证了该算法的有效性。     

基于马尔科夫随机场的纹理图像分割方法研究

本文提出了一种改进的基于马尔科夫随机场(MRF)模型的纹理图像分割方法。利用分数阶微分运算对图像纹理细节和边缘轮廓信息的敏感性,将其引入图像纹理特征提取过程中,以获得完备的图像纹理信息,可以弥补传统算法中MRF特征场对图像纹理信息描述不足的缺陷。此外,为准确划分图像中不同的纹理区域,利用模糊熵准则对分割结果进行进一步优化,以降低噪声干扰、减少区域内错分点。实验证明,本文所提出的改进方法可以完善地提取图像的纹理细节和边缘轮廓信息,有效提高分割的准确性,改善分割图像的视觉效果。     

一种无监督的遥感图像分割新算法研究

由于遥感图像中存在边缘混叠和斑点噪声等问题,基于经典的马尔科夫随机场模型的分割算法效果并不太理想.本文针对遥感图像分割中某些像素分类的不确定性,将模糊MRF模型引入遥感图像分割领域,构造了基于MAP-FMRF的分割框架,提出了新的模糊MLL模型,在充分结合空间信息的同时利用灰度和纹理共同构造特征空间,以修正的EM算法结合SA算法获取全局最优解,实现无监督分割,实验对比证明该方法准确率更高.此外,文中还设计了一种新的优化方案以提高分割的效率.     

喷墨印花纹理图像的期望最大化聚类分割算法

针对聚类分割算法对喷墨印花纹理图像存在的局限性,提出了一种结合期望最大化(EM)的喷墨印花纹理图像聚类分割算法(CSA).首先,将空间相关性引入聚类分割中,利用自回归模型表征纹理同质区域;然后,为了提高分割模型参数估计的精度,将分块标定机制引入期望最大化算法中,实现了参数极大似然估计的迭代算法,解决了不完全数据参数估计问题;最后,利用数据集分块并进行聚类,使同类元素具有较高的相似度,从而对图像中的像素进行了归类划分,并将得到的结果进行了合并,实现了目标图像的正确分割.实验结果表明,和传统的聚类分割算法相比,该算法能更好地解决喷墨印花纹理图像的分割问题.     

一种改进的高斯混合模型的玻璃缺陷分割方法

针对传统玻璃缺陷检测技术准确率较低、时间长、精度低等难点,提出了一种改进高斯混合模型的玻璃缺陷图像分割方法。首先,基于分数阶微分运算获取灰度特征,并利用灰度共生矩阵提取纹理特征,构建玻璃缺陷完整的双特征观测数据;然后,引入相邻像素间的空间关联性和约束性,通过交替进行基于双特征随机场评估像素点与标号场之间的对应关系和空间约束来完成玻璃缺陷分割;最后,在不同温度系数参数β下对分割算法进行了性能测试实验,同时,与当前流行的分割算法对4种不同类型的玻璃缺陷进行了性能比较实验。实验表明该算法能够提高图像分割的鲁棒性和精确性。     

基于神经网络和不变矩的路面破损图像识别

提出了一种应用BP神经网络识别沥青路面破损图像的图像分割方法.将路面图像等分,用灰度方差值描述子块图像特征,利用BP神经网络对子块图像进行模式分类,并将图像子块模式矩阵的不变矩作为图像的整体特征,在此基础上设计了基于全局优化算法的前馈神经网络分类器,并进行了图像识别试验,对二值图像进行特征提取,提出了学习算法,以加快收敛速度,从而实现图像识别.     

最小误差准则与脉冲耦合神经网络的裂缝检测

表面裂缝检测能够有效判断混凝土桥梁出现的结构性危险。但裂缝特征的多样性、桥梁表面污点引起的图像噪声以及不均匀照明引起的灰度不均等给裂缝检测带来极大的困难。为能够在复杂背景下检测裂缝,分析裂缝图像特征,由脉冲耦合神经网络(pulse coupled neural networks,PCNN)的运行特征和神经元的状态变化分析简化PCNN模型,将简化PCNN模型用于裂缝图像的分割,根据最小误差准则判断PCNN迭代的终止条件,实现了PCNN的裂缝图像自动分割。由圆形度与扁度结合计算区域特征,去除分割后的各种干扰,实现表面裂缝的有效检测。通过敏感度和特异性计算绘制ROC(receiver operating charac-teristics)曲线,比较不同分割方法的曲线特性以评估算法,对实际裂缝图像的处理结果表明了该方法对裂缝图像检测的有效性。     

多特征加权的纹理图像FCM分割算法

为了实现自然纹理的分割,根据自然纹理的不规则性和随机性强的特点,提出了一种由纹理的GMRF模型提取纹理的统计特性和样本方位特性的多特征融合的纹理图像分割算法。考虑到不同特征值对分类的不同影响,采取样本加权的模糊c均值分割算法控制各特征在聚类约束力上的可控制性。通过人工合成图像和自然纹理的分割实验证明,该方法具有较强的抗噪声能力,并且对于结构相似的粗纹理进行分割能有效地克服小岛区域和保持区域一致性。     

基于窗阈值局部二值模式的织物疵点检测算法

为准确描述不同织物的纹理结构,提出一种改进的局部二值模式,为不同纹理特征创建了相应的主要概率模式子集.在该特征提取算法的基础上设计了一种基于窗阈值的织物疵点检测算法,并对无图案和有图案织物分别设置了参数.该算法首先使用自适应局部二值模式获取无疵点织物图像特征并确定疵点判断阈值,然后将待检测织物图像分割为大小相同的检测窗,并提取同样特征与阈值进行比较,以判断该窗是否为疵点窗.对无图案和有图案织物的参数分别进行了讨论分析,以获得精确的分割结果.实验证明,所提出算法的疵点检测结果在视觉上更加细腻、误检率更低.     

一种基于分形理论的多尺度多方向纹理特征提取方法

纹理分割是计算机视觉以及图像处理中一项重要的任务.基于分形理论的纹理分割方法是一种常用的方法,然而单一采用分形维数作为特征不足以描述纹理.针对这一问题,本文提出了一种基于分形理论的多尺度多方向纹理特征提取方法.有效地提取出具有尺度性、方向性的分形特征,是对纹理图像的一种多层次的、紧致的描述.文中定义了一种新的相似度测量方法,采取基于图论的归一化切分方法作为分割策略.通过实验,验证了该方法的有效性和通用性.